目标检测中YOLO网络模型的介绍

目前，在目标检测领域大致分为两大流派：
1、（two-stage）两步走算法：先计算候选区域然后进行CNN分类，如RCNN系列网络
2、（one-stage）一步走算法：直接同时输出定位和分类结果，如SSD、YOLO系列网络
两步走的算法准确率较高，然而计算速度慢，经过改进的Faster R-CNN检测时间为5-7FPS，为了满足实际场景的实时性，产生了YOLO、SSD等算法。

YOLO的检测思想不同于RCNN，其将目标检测作为回归任务解决。
如下为YOLO的整体架构：


如上图所示，网络由GoogleNet改进，原论文中输入图片大小为448*448，输出为7×7×30
原文的算法步骤为：
将图片分为S×S个单元格（原文S=7），之后输出以单元格为单位
1、如果一个物体Object的中心落在某一个单元格上，那么该单元格负责该物体
2、每个单元格需要预测B个bounding box的值（坐标x、y和宽高w、h）原文B=2，同时为每个Bounding box输出一个置信度（confidence scores），也就是每个单元格需要预测B×（4+1）个值
3、每个单元格需要预测C个条件概率值（C为物体种类个数，原文C=20），最后网络输出维度为S×S×（B×5+C），每个单元格负责预测一个物体（当物体为小物体容易出问题），但每个单元格可以预测多个Bounding box值，这里可以理解为Bbox可以有多个形状，可以更准确定位出物体，如下图所示

由于论文中把检测作为回归问题处理，所以所有的输出坐标经过归一化如中心坐标点x、y，Bbox的宽高w、h的大小均在0到1之间。

下面介绍每个单元格预测的B个向量（x,y,w,h,confidence）和C的条件概率中每个参数的含义（假设图片高为h_i，宽为w_i）
1、x,y是Bounding box的中心相对于单元格的offset
对于上图中蓝色单元格，坐标为x_col=1 y_row=4,假设其预测的输出为红色的Bounding box，设红色的bounding box的中心坐标为（x_c,y_c）,那么最终预测出来的（x,y）是经过归一化的，表示的是中心相对于单元格的offset，计算公式如下：

2、w和h是bbox相对于整个图片的比例
预测的bbox的宽和高分别为w_b和h_b，w、h表示的是Bbox相对于整个图片的占比，计算公式如下：

3、confidence
置信度有两部分构成，一是格子内是否有目标，二是bbox的准确度，定义置信度为$P_r(Object)\ast IO{U}_{pred}^{truth}$。这时格子内有物体，则P$r(Object)$=1，此时置信度等于IOU，如果格子内没有物体，则P$r(Object)$=0，此时置信度为0
4、C类的条件概率
条件概率定义为$P_r(Clas{s}_i|Object)$，表示该单元格存在物体且属于第i类的概率。
在测试的时候每个单元格预测最终输出的概率定义为如下两图所示（两幅图不一样，代表一个框会输出B列概率值）$$Pr(Clas{s}_i|Object)\ast P_r(Object)\ast Io{U}_{pred}^{truth}=P_r(Clas{s}_i)\ast Io{U}_{pred}^{truth}$$


最后将$(S\times S)\times B\times 20\times$列的结果送入NMS，最后即可得到最终的输出框结果，下图为训练YOLO的损失函数定义

参考：
https://blog.csdn.net/liuxiaoheng1992/article/details/81983280